支付公司 Block（前身为 Square）推出了 Dessa，一个完全基于人类对话而非书面文本训练的新型 AI 语音模型。公司表示，该模型旨在实时交流，同时识别情绪线索、插话和自然语音模式。

据 Block 介绍，Dessa 完全从零开始，仅使用人类语音录音进行训练，没有使用文本数据或预训练模型。与先将语音转换为文本再生成回应的传统语音助手不同，Dessa 通过语音到语音架构直接处理和生成音频。

该模型支持同时聆听和说话，可以在对话中插话、回应停顿并调整语调。Block 表示，Dessa 可以在配备 Apple M4 Max 或更高规格芯片的 MacBook Pro 上本地运行，无需依赖云端基础设施进行推理——这与大多数依赖远程服务器处理语音请求的主流语音助手形成鲜明对比。公司已发布该模型的多个演示，并计划向一小群 AI 安全研究人员提供早期访问权限。

Dessa 在没有文本训练的情况下学会交流

Block 表示，开发 Dessa 的目的是探索 AI 模型能否仅通过语音习得语言和对话能力，类似于人类在学习阅读之前学会交流的方式。

“婴儿在从未见过书面文字的情况下学会说话。我们想知道模型是否也能做到。它可以，只是非常困难。”公司表示。

该模型采用 Block 所称的全双工架构，意味着它可以同时聆听和说话，而不必等待对方说完再回应。Block 表示，这种设计使 Dessa 能够识别笑声、讽刺、语调变化以及语音转换为文本时可能丢失的情绪表达。

公司补充说，Dessa 习得语言所用的词语数量比传统基于文本的语言模型少数百倍，但未提供详细的对比数据。Block 还表示，该模型是在单个 NVIDIA GB200 NVL72 系统上完成训练的，这表明专注于语音的 AI 开发可能需要不同的计算基础设施方案。

演示展示潜力与局限

在 Dessa 负责人 Ragavan Thurairatnam 在 X 上分享的演示中——1、2——该模型参与了关于电影的对话、回应个人故事，并与 OpenAI 的 GPT Live 1 语音模型互动，后者是各大科技公司正在开发的日益增多的实时语音助手之一。其他示例显示 Dessa 参与猜谜游戏并在对话过程中调整回应。

部分演示也暴露了局限性，包括模型误判说话者身份或意外切换话题的情况。这些示例由 Block 筛选并发布，模型的性能尚未经过独立评估。

情绪感知与 AI 安全

除了对话能力之外，Block 表示，开发 Dessa 还旨在研究 AI 系统如何更好地理解人类情绪，并在敏感情况下做出恰当回应。公司认为，传统语音助手在将语音转换为文本时会丢失重要信息，包括沮丧、痛苦和情绪变化的迹象。

“AI 的能力和自主性不断增强，但它对我们声音中的情绪仍然近乎失聪。”Dessa 团队表示。

Block 提到了这样的情形：一个正经历剧烈痛苦的人可能与无法识别其痛苦的 AI 系统交互。公司表示，其方法可以让 AI 模型直接从语音中解读情绪信号，从而帮助解决这些局限——随着对话式语音日益成为整个科技行业 AI 产品的常见交互界面，这一问题正受到越来越多的关注。

该项目由 Block 的一支小型研究团队开发，由 Ragavan Thurairatnam 领导，团队成员曾在同名的多伦多 AI 初创公司 Dessa 工作。研究人员直接向 Block 联合创始人兼首席执行官 Jack Dorsey 汇报，并已从事生成式语音技术开发多年。

Block 计划向选定的 AI 安全研究人员提供早期访问权限，以识别潜在风险并研究仅通过语音训练的模型的行为方式。公司尚未公布更广泛的发布日期、模型权重或详细的性能基准，早期访问计划将是外部观察者了解 Dessa 在公司自身示例之外表现的唯一窗口。